《預測分析與數(shù)據(jù)挖掘 RapidMiner實現(xiàn)》旨在幫助讀者理解數(shù)據(jù)挖掘方法的基礎知識，并實現(xiàn)無需編寫代碼就能在自己的工作中實踐這些方法。書中圍繞分類、回歸、關聯(lián)分析、聚類、異常檢測、文本挖掘、時間序列預測、特征分析等數(shù)據(jù)挖掘問題，著重介紹了決策樹、k近鄰、人工神經(jīng)網(wǎng)絡、線性回歸、k均值聚類等當今廣泛使用的二十多種算法，針對每一種算法都先以通俗的語言解釋其原理，再使用開源數(shù)據(jù)分析工具 RapidMiner加以實現(xiàn)。
《預測分析與數(shù)據(jù)挖掘 RapidMiner實現(xiàn)》適合在日常工作中大量接觸數(shù)據(jù)的分析師、金融專家、市場營銷人員、商務專業(yè)人士等閱讀。
Vijay Kotu，Yahoo分析總監(jiān)，負責線上業(yè)務的大數(shù)據(jù)與分析系統(tǒng)的實現(xiàn)，在預測分析領域有十余年工作經(jīng)驗。ACM會員，美國質量協(xié)會認證的六西格瑪黑帶。
Bala Deshpande，業(yè)界知名數(shù)據(jù)分析應用開發(fā)與咨詢公司SimaFore創(chuàng)始人，20余年分析經(jīng)驗，精通各類分析技巧，經(jīng)常在其博客www.simafore.com/blog上分享數(shù)據(jù)挖掘與預測分析方面的心得。
嚴云 研究興趣為計算生物學，以0和1的語言解讀ATGC的世界。
第 1章 引言 1
1．1 什么是數(shù)據(jù)挖掘 2
1．1．1 有意義模式的提取 2
1．1．2 代表性模型的構建 2
1．1．3 統(tǒng)計、機器學習和計算的搭配 3
1．1．4 算法 4
1．2 對數(shù)據(jù)挖掘的誤解 4
1．3 數(shù)據(jù)挖掘的初衷 5
1．3．1 海量數(shù)據(jù) 5
1．3．2 多維 6
1．3．3 復雜問題 6
1．4 數(shù)據(jù)挖掘的種類 7
1．5 數(shù)據(jù)挖掘的算法 8
1．6 后續(xù)章節(jié)導覽 9
1．6．1 數(shù)據(jù)挖掘的序曲 9
1．6．2 小插曲 10
1．6．3 主要內(nèi)容：預測分析和數(shù)據(jù)挖掘算法 10
1．6．4 特別應用 12
參考文獻 13
第 2章 數(shù)據(jù)挖掘流程 14
2．1 先驗知識 16
2．1．1 目標 16
2．1．2 研究問題的背景 17
2．1．3 數(shù)據(jù) 17
2．1．4 因果性與相關性 18
2．2 數(shù)據(jù)準備 19
2．2．1 數(shù)據(jù)探索 19
2．2．2 數(shù)據(jù)質量 20
2．2．3 缺失值 20
2．2．4 數(shù)據(jù)類型和轉換 20
2．2．5 數(shù)據(jù)轉換 21
2．2．6 離群點 21
2．2．7 特征選擇 21
2．2．8 數(shù)據(jù)采樣 22
2．3 建模 22
2．3．1 訓練集和測試集 23
2．3．2 建模算法 24
2．3．3 模型評估 25
2．3．4 集成建模 26
2．4 應用 27
2．4．1 生產(chǎn)準備 27
2．4．2 方法整合 27
2．4．3 響應時間 28
2．4．4 重構模型 28
2．4．5 知識融合 28
2．5 新舊知識 29
2．6 后續(xù)章節(jié)預告 29
參考文獻 29
第3章 數(shù)據(jù)探索 31
3．1 數(shù)據(jù)探索的目標 31
3．2 走進數(shù)據(jù) 32
3．3 描述性統(tǒng)計分析 34
3．3．1 單變量探索 35
3．3．2 多變量探索 36
3．4 數(shù)據(jù)可視化 39
3．4．1 一個維度內(nèi)數(shù)據(jù)頻率分布的可視化 39
3．4．2 直角坐標系內(nèi)多變量的可視化 43
3．4．3 高維數(shù)據(jù)通過投影的可視化 48
3．5 數(shù)據(jù)探索導覽 50
參考文獻 51
第4章 分類 52
4．1 決策樹 52
4．1．1 算法原理 53
4．1．2 算法實現(xiàn) 59
4．1．3 小結 71
4．2 規(guī)則歸納 72
4．2．1 建立規(guī)則方法 73
4．2．2 算法原理 74
4．2．3 算法實現(xiàn) 77
4．2．4 小結 81
4．3 k 近鄰算法 81
4．3．1 算法原理 82
4．3．2 算法實現(xiàn) 88
4．3．3 小結 91
4．4 樸素貝葉斯 91
4．4．1 算法原理 93
4．4．2 算法實現(xiàn) 100
4．4．3 小結 102
4．5 人工神經(jīng)網(wǎng)絡 102
4．5．1 算法原理 105
4．5．2 算法實現(xiàn) 108
4．5．3 小結 110
4．6 支持向量機 111
4．6．1 概念和術語 111
4．6．2 算法原理 114
4．6．3 算法實現(xiàn) 116
4．6．4 小結 122
4．7 集成學習模型 122
4．7．1 集體的智慧 123
4．7．2 算法原理 124
4．7．3 算法實現(xiàn) 126
4．7．4 小結 134
參考文獻 134
第5章 回歸方法 137
5．1 線性回歸 139
5．1．1 算法原理 139
5．1．2 使用RapidMiner實戰(zhàn)的目標與數(shù)據(jù) 141
5．1．3 算法實現(xiàn) 142
5．1．4 線性回歸建模要點 148
5．2 Logistic回歸 149
5．2．1 快速入門Logistic回歸 150
5．2．2 模型原理 151
5．2．3 模型實現(xiàn) 155
5．2．4 Logistic回歸小結 158
5．3 總結 158
參考文獻 158
第6章 關聯(lián)分析 160
6．1 挖掘關聯(lián)規(guī)則的基本概念 161
6．1．1 項集 162
6．1．2 生成關聯(lián)規(guī)則的一般步驟 164
6．2 Apriori算法 166
6．2．1 使用Apriori算法找出高頻項集 167
6．2．2 生成關聯(lián)規(guī)則 169
6．3 FP-Growth算法 169
6．3．1 生成FP樹 170
6．3．2 高頻項集的生成 172
6．3．3 FP-Growth算法實現(xiàn) 173
6．4 總結 176
參考文獻 176
第7章 聚類 178
7．1 聚類方法的種類 179
7．2 k均值聚類 182
7．2．1 k均值聚類原理 183
7．2．2 算法實現(xiàn) 187
7．3 DBSCAN聚類 191
7．3．1 算法原理 192
7．3．2 算法實現(xiàn) 195
7．3．3 小結 197
7．4 SOM 197
7．4．1 算法原理 199
7．4．2 算法實現(xiàn) 202
7．4．3 小結 208
參考文獻 208
第8章 模型評估 210
8．1 混淆矩陣 210
8．2 ROC曲線和AUC 212
8．3 提升曲線 214
8．4 評估預測結果 217
8．5 總結 221
參考文獻 221
第9章 文本挖掘 222
9．1 文本挖掘算法的原理 223
9．1．1 TF-IDF 223
9．1．2 術語和概念 225
9．2 使用聚類和分類算法實現(xiàn)文本挖掘 229
9．2．1 實例1：關鍵詞聚類 229
9．2．2 實例2：預測博客作者的性別 232
9．3 總結 241
參考文獻 242
第 10章 時間序列預測 243
10．1 基于數(shù)據(jù)的時序分析 245
10．1．1 樸素預測法 245
10．1．2 簡單平均法 246
10．1．3 移動平均法 246
10．1．4 加權移動平均法 247
10．1．5 指數(shù)平滑法 247
10．1．6 Holt雙參數(shù)指數(shù)平滑法． ． 248
10．1．7 Holt-Winter三參數(shù)指數(shù)平滑法 249
10．2 基于模型的預測方法 250
10．2．1 線性回歸 251
10．2．2 多項式回歸 252
10．2．3 考慮季節(jié)性的線性回歸模型 252
10．2．4 自回歸模型與ARIMA 254
10．2．5 基于RapidMiner的實現(xiàn) 254
10．3 總結 261
參考文獻 261
第 11 章異常檢測 262
11．1 異常檢測的基本概念 262
11．1．1 出現(xiàn)離群點的原因 262
11．1．2 異常檢測的方法 264
11．2 基于距離的離群點檢測方法 266
11．2．1 方法原理 267
11．2．2 方法實現(xiàn) 268
11．3 基于密度的離群點檢測方法 270
11．3．1 方法原理 270
11．3．2 方法實現(xiàn) 271
11．4 局部離群因子 272
11．5 總結 274
參考文獻 275
第 12章 特征選擇 276
12．1 特征選擇方法概覽 276
12．2 主成分分析 278
12．2．1 算法原理 279
12．2．2 算法實現(xiàn) 280
12．3 以信息論為基礎對數(shù)值型數(shù)據(jù)進行篩選 284
12．4 以卡方檢驗為基礎對類別型數(shù)據(jù)進行篩選 286
12．5 基于封裝器的特征選擇 289
12．5．1 向后消除法以縮減數(shù)據(jù)集大小 290
12．5．2 哪些變量被消除了 292
12．6 總結 293
參考文獻 294
第 13章 RapidMiner入門 295
13．1 用戶操作界面以及介紹 295
13．1．1 圖形用戶操作界面的介紹 295
13．1．2 RapidMiner軟件的術語 296
13．2 數(shù)據(jù)導入和導出工具 299
13．3 數(shù)據(jù)可視化工具 302
13．3．1 單一變量可視化 304
13．3．2 二維數(shù)據(jù)可視化 304
13．3．3 多維數(shù)據(jù)可視化 304
13．4 數(shù)據(jù)轉換工具 305
13．5 數(shù)據(jù)抽樣與處理缺失值工具 309
13．6 優(yōu)化工具 312
13．7 總結 317
參考文獻 317
數(shù)據(jù)挖掘算法的比較 319
新書資訊